傳統(tǒng)路面缺陷檢測(cè)研究中所使用的單一裂縫類紋理特征,在復(fù)雜道路狀況下不能實(shí)現(xiàn)對(duì)其他路面缺陷的有效識(shí)別。一方面,路面凹坑是存在于公路路面中常見(jiàn)的病害類型,需要有效的方法對(duì)其進(jìn)行識(shí)別分析;另一方面,道路上除了完好路段和帶缺陷的路段外,還會(huì)出現(xiàn)路面垃圾雜物、太陽(yáng)光照射產(chǎn)生的樹(shù)蔭和旁車等干擾,傳統(tǒng)路面缺陷方法容易出現(xiàn)誤判和漏判現(xiàn)象,識(shí)別效率低且效果不理想。以往靠人工作業(yè)來(lái)對(duì)路面狀況進(jìn)行判定的方法已經(jīng)不適合當(dāng)今對(duì)高質(zhì)量的公路維護(hù)任務(wù)的要求,路面缺陷識(shí)別方法需要更高效地檢測(cè)手段。深度學(xué)習(xí)方法在圖像和機(jī)器視覺(jué)領(lǐng)域得到廣泛研究和應(yīng)用,受到深度學(xué)習(xí)方法的啟發(fā),本文以深層卷積神經(jīng)網(wǎng)絡(luò)作為研究方法,以多種路面缺陷為對(duì)象,研究了卷積神經(jīng)網(wǎng)絡(luò)CNN在路面病害缺陷識(shí)別中的應(yīng)用,利用一個(gè)訓(xùn)練好的深層卷積神經(jīng)網(wǎng)絡(luò),完成對(duì)公路路面缺陷特征的自動(dòng)提取,實(shí)現(xiàn)了對(duì)裂縫類、凹坑類、路面垃圾雜物和完好路面等類型的分類。文章在Caffe設(shè)計(jì)框架的基礎(chǔ)上,對(duì)原VGG模型進(jìn)行了改進(jìn)和參數(shù)的優(yōu)化,利用數(shù)據(jù)集增強(qiáng)方法擴(kuò)充了原始數(shù)據(jù),將數(shù)據(jù)用于卷積神經(jīng)網(wǎng)絡(luò)的訓(xùn)練,測(cè)試結(jié)果表明研究方法的可行性。本論文的研究工作主要體現(xiàn)為以下幾個(gè)部分:（1）充分... 

【文章來(lái)源】：廣東工業(yè)大學(xué)廣東省

【文章頁(yè)數(shù)】：89 頁(yè)

【學(xué)位級(jí)別】：碩士

【部分圖文】：

生成式對(duì)抗網(wǎng)絡(luò)Fig.2-2Generativeantagonisticnetwork

第二章 深度學(xué)習(xí)理論相關(guān)介紹進(jìn)行求和：i ji jju w x閾值，通過(guò) ui與 的簡(jiǎn)單相加，可以得到中間值iv i i iv u 激活函數(shù)，神經(jīng)元的輸出 yi為：( )i iy f v激活函數(shù)如下圖 2-6 所示，它是階躍函數(shù)，階躍函{ 1,1}，其中前者代表抑制，后者代表興奮。

圖 2-8 簡(jiǎn)單感知機(jī)Fig.2-8 Simple perceptron成邏輯與、或、非運(yùn)算 中(a)、(b)和(c)。(1,1)(1,0)題1 2( x x)1x(0,1)(0,0)(b) 或 問(wèn)2x(0,1)2x


本文編號(hào)：2965593